企业官网建设流程全解析

旧版和新版摆一起：只多0.3B参数，Unlimited-OCR 2 到底多换来了什么？

【免费下载链接】Unlimited-OCR-2项目地址: https://ai.gitcode.com/hf_mirrors/baidu/Unlimited-OCR-2

如果你最近刷技术圈，大概率被一个词刷过屏：Unlimited OCR。

百度开源的这款文档解析模型，上线5天GitHub星标破万，后来一路冲到二十多万下载、榜单前排，连图灵奖得主都转发推荐过。它干的事说起来很朴素——把PDF、扫描件、整本书，变成干净的、带格式的文字。

但真正让老用户炸锅的，是10月底悄悄上线的第二代：Unlimited OCR 2。

参数只从3B涨到3.3B左右，多了0.3B——听起来像是"换个皮肤"。可官方给出的说法很猛：从"长文档"直接跳到"无限长文档"，一百页、几百页的书，一次请求读完，速度还不掉。

0.3B，真能换这么多东西？我把新旧两版摆在一起，一项一项对。

一、先用大白话说清：它俩到底差在哪

老版像个记忆力有限的速记员：眼睛盯着整页纸，脑子里只保留最近几行笔记。读一页很准，读十页也还行，但读到第四十页，它得不停回头翻前面的图，越翻越慢，最后干脆记混。

新版给这位速记员配了两样东西：

一个图书管理员，负责在几百页里瞬间挑出"和当前这句话最相关的12块内容"；一张512字的随身便签，永远只带最关键的那点参考。

于是不管文档是10页还是300页，他每一步要"看"的东西都是固定的一小撮。这就是官方说的 SR-SWA——稀疏参考滑动窗口。翻成生活话：不是把整本书重新读一遍，而是每次都精准地问一句"这段跟前面哪几页有关"。

二、同批文档两版对照：差在哪，差多少

第一项：跨页结构，老版会"断片"，新版会"接上"

老版解析多页PDF，本质上是把每页当成独立任务，页与页之间靠模型自己猜。结果就是：一段话被分页切开，后半句跑到下一页变成新段落；跨页的表格上下两半，直接变成两张互不相干的表。

新版在输出里给每页打了明确的页码标记，一次请求把整份文档喂进去，模型能顺着"上一页结尾"往下写。合同里的"甲方……（下一页）……乙方"，论文里跨页的长公式，终于能连成一句完整的话。

第二项：公式和表格，从"能认"到"能直接用"

这是普通用户感知最强的地方。

老版能把公式认出来，但复杂的分式、矩阵、上下标，偶尔会漏一层括号；表格更是"看运气"，三线表、合并单元格经常错行。

新版在几十页和上百页两组公开测试集上都拿到了当前最好成绩，公式和表格的结构还原是重点提升项。说人话：以前你得手动修半小时的公式，现在复制粘贴基本能用；以前要重新排版的表格，现在直接是能粘进文档的表格。

第三项：长文档的"越读越慢"，这次是真治了

这是最硬的一项。

老版的思路已经比传统OCR聪明很多——显存不再随页数暴涨，所以能啃下40多页。但它每一步解码，仍然要在全部页面图像里做一遍注意力计算。翻译成体感：显存没爆，但速度在悄悄往下掉，页数越多越明显。

新版把这一步也砍了：每步只对固定512个token的"工作参考"做计算。官方的说法是，单步解码的延迟和显存占用几乎与文档长度无关。

于是才有了那张让很多人惊掉下巴的演示：一整本《哈利·波特》，一次请求从头解析到尾。

三、速度与显存，方向变了但没你想的那么"免费"

先说好消息：长文档场景下，新版是全面提速。页数越多，优势越大，因为老版是"越读越吃力"，新版是"一直匀速跑"。

再说实话：新版的静态开销略微上升。

多出来的0.3B参数，主要是给"图书管理员"用的——每一层都加了一套负责挑参考块的索引小网络。它们不是每一步全员上岗，所以推理没有变重太多，但模型文件确实大了一圈，显存底噪也高一点。

另外新版的部署更"挑框架"。官方推荐用配套的SGLang服务来跑，还专门提供了一个定制版本的安装包；想省事用Transformers直接加载也行，适合先试试水、跑个单页。社区里那种"塞进U盘、8G显存就能跑"的便携玩法，目前主要还停留在老版和各种量化版上。

四、哪些场景差距明显，哪些几乎没差

这是我劝大家别盲目升级的关键。

几乎没差的场景：

• 一张发票、一张截图、一页身份证
• 手机拍的菜单、快递单、板书
• 每天几十张的零散图片识别

这些任务根本用不上"跨页记忆"，老版完全够用，升级纯属折腾。

差距拉满的场景：

• 50页以上的论文、标书、审计报告
• 需要保留目录层级、脚注、页眉页脚位置的书稿
• 跨页表格、跨页公式多的财务与工程文档
• 要把整本书、整套合同灌进AI知识库的人

尤其在"喂给大模型"这条链路上，新版价值翻倍：OCR吐出来的东西越干净，后面接知识库、接Claude Code、接Dify，AI回答才越不容易胡说。

社区里已经有大量把老版封装成本地服务、再挂给大模型当"眼睛"的教程，新版相当于把这双眼睛从"能看40页"升级成"能看一整本"。

五、升级决策树：什么情况下你可以先不动

给你一个特别简单的判断法，对号入座就行：

可以原地不动，如果——你的文档基本都在10页以内；你只做单张图片识别；你的机器显存紧张，跑量化版已经刚刚好；你现在这套流程跑得挺顺，没有"跨页断句"的抱怨。

建议升级，如果——你被跨页表格坑过；你要处理几十页上百页的整本材料；你发现处理长文档时速度肉眼可见地往下掉；你在给企业搭知识库，最怕的就是"文档一长，AI就开始瞎编"。

建议先观望，如果——你要把它做成对外服务。新版对部署框架、显存调参更敏感，社区的一键包、量化版、图形界面还需要时间补齐。等两周，路会好走很多。

结语

0.3B参数，听起来像一次小修小补。但把两版摆在一起看就会发现：它换来的不是"认字更准一点"，而是从"能读长文档"跨到"能读任何长度的文档"。

这背后其实是一个很朴素的产品思路——真正卡住普通人用OCR的，从来不是单页识别率，而是"文档一长就崩"。谁先把这个体验修平，谁就先拿到下一波入口。

那么问题来了：你手上最想扔给AI处理的"巨无霸文档"，是一本教材、一份几百页的合同，还是一整年的报销单？如果只能让它一次读完一样，你选哪个？评论区聊聊。

【免费下载链接】Unlimited-OCR-2项目地址: https://ai.gitcode.com/hf_mirrors/baidu/Unlimited-OCR-2